非完备样本知识的优化处理

定义了样本知识的非完备性,介绍了信息分配与信息扩散这2种模糊信息优化处理手段.还提供了硬币投掷概率逼近实验的有关数据,说明非完备样本知识中确实存在可供利用的模糊信息.     

基于肌音信号的四种手部动作模式的识别方法

肌音（MMG）是指肌肉收缩时发出的2～100 Hz的低频＂声音＂。近年来,有研究将前臂肌音信号作为生理信号源应用于假肢手的控制,并取得了一定的进展。利用主成分分析法（PCA）对多通道采集的前臂肌音信号的18个时、频域特征的特征空间进行降维,并采用线性分类器对4种手部动作模式（手掌握紧、手掌张开、腕部弯曲、腕部伸直）进行...     

基于线性迭代的分类器最小扰动评估方法

当数据集包含对抗性扰动样本时,其分类结构缺乏稳定性,传统的扰动评估方法效率低且准确率不高.针对该问题,提出一种高效准确的扰动评估方法.首先,根据样本与分类器间的物理属性,定义样本的对抗性扰动,利用线性迭代方法评估计算二类分类器的鲁棒性;然后,为了适应更加一般的情况,将该方法扩展到更加普遍的多类非线性分类器,即超平面包围的区域变为不规则多面体;最后,标记扰动样本对分类器进行优化调整,并对当前估计进行更新,以进一步提高分类器性能.不同数据集和分类器的实验结果表明:与FGSM方法、 L-BFGS方法和未标记方法相比,提出的方法具有更稳定高效的扰动评估性能,且可以构建鲁棒性更高的分类器.     

基于PCA及聚类技术的支持向量机分类器设计

提出了一种新的支持向量机分类器的设计方法，该方法利用主成分分析（PCA）及聚类技术在原问题空间中求解，减少了支持向量机分类器中支持向量的维数，且将原问题空间与特征空间中的问题归结为同一类的设计问题。     

一个本质连通区的存在性定理及其在非线性互补问题中的应用

首先给出了一类集值映射本质连通区的一个存在性定理,应用这个定理,导出了非线性互补问题解集的本质连通区的存在性。     

主成分分析在线性模型与非线性模型的应用研究

为了解主成分分析在线性模型与非线性模型预报中的应用效果,在2001—2011年热带气旋历史观测资料基础上,采用主成分分析方法,结合线性回归模型和神经网络模型,开展西北太平洋热带气旋的强度预报技术研究试验．根据提取的主要影响因子构造线性回归模型与BP神经网络的输入样本进行不同样本的台风强度预测．计算结果表明,主成分分析通过降低线性回归模型和BP神经网络模型的维数,减少自变量之间的复共线性,减小模型的预报平均绝对误差．     

基于不同样本比例与超参数优化的滑坡易发性评价——以重庆市武隆区为例

【目的】以重庆市武隆区滑坡与非滑坡样本作为研究对象,探究不同滑坡与非滑坡样本比例与超参数优化对滑坡易发性模型准确性的影响。【方法】选取距河流距离、地形湿度指数、多年平均降水量、坡向、曲率、地形起伏度、距道路距离、坡度、POI核密度、归一化植被指数、高程等11个因子作为影响因子,在1∶1～1∶10作为正负样本比例范围内,采用网格搜索法与贝叶斯优化,基于XGBoost模型对研究区样本的滑坡易发性进行评价。【结果】随着样本数量中非滑坡数量的逐渐增加,XGBoost模型准确率逐步提升,曲线下面积（AUC）未发生明显改变,且较高、高易发区面积逐步减少,低、较低易发区面积逐步增加;基于超参数优化后XGBoost模型AUC值均得到提升,且贝叶斯优化后的XGBoost模型的滑坡易发性评价精度与运行速率更优。【结论】以1∶10作为正负样本比例,通过贝叶斯优化所构建的基于XGBoost模型的武隆区滑坡易发性模型具有更好的预测能力与预测稳定性。     

应用分子图形学、分子力学、量子化学及静电势研究农药分子结构与性能的关系(ⅩⅡ)--化学模式识别对磺酰脲类除草剂杂环结构与活性关系的分类研究

应用化学模式识别方法研究磺酰脲类除草剂杂环结构与活性关系的分类问题 .当以杂环上负电原子的净电荷组成模式空间时 ,可成功地将所研究磺酰脲类化合物按杂环分别为嘧啶环或三嗪环进行分类 ,主成分分析结果 ( Principal Component Analysis,PCA)令人满意 ,并初步探讨了杂环结构对活性产生影响的原因 .     

在RN上的拟线性椭圆型方程正解的存在性

研究了以下非线性Dirichlet问题在一定条件下的弱正解的存在性-div(|(△)u|p-2(△)u)+a(x)up-1=h(x)uq+up*-1,x∈RN,u≥0,u0,∫RN?a(x)*|u|pdx＜+∞.其中,aRN→R是连续非负函数,hRN→R是某类可积函数,2≤p＜N且p2≤N,0＜q＜(p2(p-1))/(N-p)-1,p*=(Np)/(N-p).从而在更弱的条件下将p=2或次临界指数的情形推广到P-Laplacian及临界指数的情形,同时推广了a(x)=0时的某些结果.     

小波去噪在分类问题上的应用

分类是数据挖掘领域中一项非常重要的任务,通过含噪数据求出有效决策函数十分重要.目前已有一些具体方法对含噪数据进行选择处理,从而求解决策函数.本文针对支持向量机中的二类分类问题,以一维情形为例,给出了文献[1]不同的处理方法,即用小波技术对数据点集的分布函数去噪,并根据新的训练点集及对应的权值求得二类分类问题的决策函数.     

高度重叠社区的社区合并优化算法

当原图转换成边图后,在边图上进行社区发现可以天然地得到重叠社区,然而得到的社区往往相互大面积重叠,甚至相互包含,导致社区模块性质量较低.针对这一问题,在得到边图下重叠社区发现算法结果的基础上,我们将进一步以优化重叠社区模块化质量函数为标准进行社区合并,以获得高质量的重叠社区.本文首先提出一种描述社区间重叠程度的重叠系数,并基于此进一步提出一种构建带权社区图的启发式方法,能够快速有效地完成社区合并的过程.在人工生成网络与真实世界网络上的实验,进一步验证了该算法能够在不削弱边图方法速度优势的前提下,提高高度重叠社区的模块性.     

一种基于多标签传播的重叠社区挖掘算法

在众多社区挖掘算法中,标签传播算法因为接近线性时间复杂度被广泛应用,但其也存在大量随机性,稳定性差的问题,采取一种新型的多标签策略解决重叠社区挖掘问题,并根据节点度减少初始标签赋予量的方法提升了算法的稳定性.     

数据挖掘在智能交通系统中的应用

目的将数据挖掘技术应用于智能交通系统中，利用挖掘得到的模式对交通管理决策提供有效支持。方法针对交通数据库系统中数据的特点，提出了基于概化的数据预处理方法，并在此基础上，采用基于树模型的关联规则挖掘算法进行关联规则挖掘。结果获得了良好的挖掘模式。实际应用说明了挖掘结果的有效性及可行性。结论数据挖掘技术在智能交通系统中的成功应用，为交通管理决策提供了有效支持，且提出的方法易于实现，便于推广。     

基于数据挖掘技术的高校人才培养模式评价与优化

以深化人才发展体制机制改革为背景,以提高人才培养质量为出发点,探讨在创新人才培养机制、优化教育教学模式过程中,如何利用数据挖掘和数据处理技术,对创新变革课程体系、教育模式和教学方法的近期和远期效果进行模式识别和跟踪评价,找出隐藏于大数据中的规律,实现高校人才培养与经济社会发展需求的全面对接,满足现代产业体系多样化的人才需求。     

Boltzmann叠加原理在聚合物粘弹性理论中的应用

将Boltzmann叠加原理应用于聚合物粘弹性理论,由此可以把几种粘弹性行为互相联系起来,由1种力学行为推算另1种力学行为,而无需诸如弹簧和粘壶这一类模型.利用拉普拉斯变换推出蠕变柔量和应力松弛模量间的关系,因此可以把动态力学实验看成无数个应力为Δiσ的蠕变和回复实验的总效应,从而推出了动态力学实验和静态力学实验间的关系.     

基于标签传播的稳定重叠社区挖掘算法研究

为解决重叠社区挖掘算法中效率与稳定性不能兼顾的情况,本文提出了一种基于标签传播的稳定重叠社区挖掘算法（SOCLP）。该算法首先利用两种标签选择策略解决了基于标签传播算法中的稳定性问题,然后又通过引入平衡因子对算法的稳定性进行了有效的控制。实验结果证明,本文所提出的SOCLP算法可以同时关注社区挖掘的质量、效率和稳定性。     

基于Web的数据挖掘应用模式研究

如何对Web上的海量信息进行高效的应用 ,使之能做到信息处理的智能化、个性化、自动化 ,是当今数据挖掘技术的最重要的应用。本文从分析Web上数据信息的特点入手 ,研究面向Web的数据挖掘需解决的主要问题 ,提出了一种基于Web数据挖掘的应用模式框架 ,并着重从功能的角度介绍了Web数据挖掘的演进过程。     

模式识别在采矿中的应用

1 非线性映照法识别原理1.1特征向量选取特征向量的选取是模式识别工作的关键,首先,要求选取对分类贡献大而较少的(不破坏分类情况的最少特征量数)特征量数目,再者要求样本数和空间维数的比值要大于3.为此我们从表1的七个特征量中根据加权因子的大小作了初选。再据此通过各种组合逐步降维进行筛选.由七个特征量中筛选出分类效果最好的4个固有特征向量,即铅、锌、氧化钙+氧化镁和二氧化硅的分析数据.     

玉山方言词语重叠现象小探

玉山方言属昊语处衢片，接近南部昊语。玉山方言词汇中有大量的重叠现象存在，这些重叠词是玉山方言词汇不可缺少的重要组成部分。通过与普通话重叠词进行比较，显示了玉山方言重叠词的各种形式及特点。     

多数据流时间序列中的依赖模式发现算法研究

针对多数据流组成的时间序列中发现有用的结构模式的MSDD算法不能很好地对节点剪枝，以及直观地表示模式的时间关系的问题，经过研究，提出了发现多数据流时间序列结构模式的算法：时间窗口移动筛选算法(TWMA)．采用事件序列化的策略来发现多流时间序列中的依赖模式，与MSDD相比，在表示上更直观，发现模式的过程更灵活．